INFORMAZIONI

• Autori: Leonardo Babbucci, Gabriele Dominelli,
• Gruppo V
• Data Science 2022

In questo notebook è stato preso un dataset sui laptop e le loro specifiche tecniche da kaddle. Questo dataset possiede 1303 righe ed ognuna di esse è un laptop differente. Ogni colonna invece è una specifica del laptop. Con questo dataset si possono fare varie comparazioni ed analisi interessanti, alcune delle quali esposte di seguito. Tra le analisi più interessanti vi sono: analisi sui sistemi operativi più usati, quantità di laptops per categoria, analisi sulla distribuzione dei prezzi dei laptops per modello di CPU e GPU e distribuzione prezzi per sistema operativo montato.

Progetto pratico dataset laptops

Le prime operazioni

• Come prima cosa vengono fatte delle operazioni per migliorare la struttura del dataset e renderlo più consono per le successive analisi.

import numpy as np
np.set_printoptions(precision=2)
import plotly.express as px
import plotly.graph_objs as go
import seaborn as sns
import pandas as pd
import matplotlib.pyplot as plt

laptops = pd.read_csv('data/project/laptop_price.csv', encoding = "latin")
laptops

	laptop_ID	Company	Product	TypeName	Inches	ScreenResolution	Cpu	Ram	Memory	Gpu	OpSys	Weight	Price_euros
0	1	Apple	MacBook Pro	Ultrabook	13.3	IPS Panel Retina Display 2560x1600	Intel Core i5 2.3GHz	8GB	128GB SSD	Intel Iris Plus Graphics 640	macOS	1.37kg	1339.69
1	2	Apple	Macbook Air	Ultrabook	13.3	1440x900	Intel Core i5 1.8GHz	8GB	128GB Flash Storage	Intel HD Graphics 6000	macOS	1.34kg	898.94
2	3	HP	250 G6	Notebook	15.6	Full HD 1920x1080	Intel Core i5 7200U 2.5GHz	8GB	256GB SSD	Intel HD Graphics 620	No OS	1.86kg	575.00
3	4	Apple	MacBook Pro	Ultrabook	15.4	IPS Panel Retina Display 2880x1800	Intel Core i7 2.7GHz	16GB	512GB SSD	AMD Radeon Pro 455	macOS	1.83kg	2537.45
4	5	Apple	MacBook Pro	Ultrabook	13.3	IPS Panel Retina Display 2560x1600	Intel Core i5 3.1GHz	8GB	256GB SSD	Intel Iris Plus Graphics 650	macOS	1.37kg	1803.60
...	...	...	...	...	...	...	...	...	...	...	...	...	...
1298	1316	Lenovo	Yoga 500-14ISK	2 in 1 Convertible	14.0	IPS Panel Full HD / Touchscreen 1920x1080	Intel Core i7 6500U 2.5GHz	4GB	128GB SSD	Intel HD Graphics 520	Windows 10	1.8kg	638.00
1299	1317	Lenovo	Yoga 900-13ISK	2 in 1 Convertible	13.3	IPS Panel Quad HD+ / Touchscreen 3200x1800	Intel Core i7 6500U 2.5GHz	16GB	512GB SSD	Intel HD Graphics 520	Windows 10	1.3kg	1499.00
1300	1318	Lenovo	IdeaPad 100S-14IBR	Notebook	14.0	1366x768	Intel Celeron Dual Core N3050 1.6GHz	2GB	64GB Flash Storage	Intel HD Graphics	Windows 10	1.5kg	229.00
1301	1319	HP	15-AC110nv (i7-6500U/6GB/1TB/Radeon	Notebook	15.6	1366x768	Intel Core i7 6500U 2.5GHz	6GB	1TB HDD	AMD Radeon R5 M330	Windows 10	2.19kg	764.00
1302	1320	Asus	X553SA-XX031T (N3050/4GB/500GB/W10)	Notebook	15.6	1366x768	Intel Celeron Dual Core N3050 1.6GHz	4GB	500GB HDD	Intel HD Graphics	Windows 10	2.2kg	369.00

1303 rows × 13 columns

laptops['Main_Memory'] = laptops['Memory'].str.split("+").str[0]
laptops['Secondary_Memory'] = laptops['Memory'].str.split("+").str[1]
laptops['Main_Memory'] = laptops['Main_Memory'].str.strip()
laptops['Main_Memory_Type'] = laptops['Main_Memory'].str.split(" ").str[1:]
laptops['Main_Memory'] = laptops['Main_Memory'].str.split(" ").str[0]
laptops['Main_Memory_Type'] = laptops['Main_Memory_Type'].str.join(" ")
laptops['Operating_System'] = laptops['OpSys'].replace({'Windows 10' : 'Windows', 'Windows 10 S' : 'Windows', 'Windows 7' : 'Windows', 'Mac OS X' : 'Mac OS', 'macOS' : 'Mac OS' })

res=laptops['ScreenResolution'].str.split('x',n=1,expand=True)

#Creare colonna con nomi di tutte le CPU
laptops['Cpu_Name']=laptops['Cpu'].apply(lambda x:" ".join(x.split()[0:3]))

#Divide per categoria
def divisore(text):
    if text == 'Intel Core i7' or text == 'Intel Core i5' or text == 'Intel Core i3':
        return text
    else:
        if text.split()[0] == 'Intel':
            return 'Other Intel Processor'
        else:
            return 'AMD Processor'
                
laptops['Brand_CPU']=laptops['Cpu_Name'].apply(divisore)
laptops['TouchScreen']=laptops['ScreenResolution'].apply(lambda x:1 if 'Touchscreen' in x else 0)
laptops['IPS']=laptops['ScreenResolution'].apply(lambda x:1 if'IPS' in x else 0)
laptops['Brand_GPU'] = laptops['Gpu'].apply(lambda x:x.split()[0])

I grafici

• Da qui in poi verranno mostrati i grafci con le varie analisi fatte sul dataset in questione.

Grafico a torta sui sistemi operativi più usati

fig = px.pie(laptops, values=laptops['Price_euros'], names=laptops['Operating_System'])
fig.show()

Istogrammi su categoria e produttori dei laptops

#Quantità laptops realizzati per produttore
fig = px.histogram(laptops['Company']).update_xaxes(categoryorder = 'total descending')
fig.update_layout(
    title ='Quantità laptops realizzati per produttore',
    xaxis_title = 'Produttori',
    yaxis_title = 'Quantità di pc',
    legend_title = 'Produttore'
)
fig.show()


#Quantità laptops per categoria
fig = px.histogram(laptops['TypeName'])
fig.update_xaxes(categoryorder = 'total descending')
fig.update_layout(
    title ='Quantità laptops per categoria',
    xaxis_title = 'Categoria',
    yaxis_title = 'Quantità di pc'
)
fig.show()


#Quantità laptops dei produttori per categoria
tmp = laptops.copy()
tmpMask = (tmp["Company"] != "Dell") & (tmp["Company"] != "Lenovo") & (tmp["Company"] != "HP") & (tmp["Company"] != "Asus") & (tmp["Company"] != "Acer")
tmp.loc[tmpMask, "Company"] = "Altro"
fig = px.histogram(tmp, x='TypeName', color='Company')
fig.update_xaxes(categoryorder = 'total descending')
fig.update_layout(
    title ='Quantità laptops dei produttori per categoria',
    xaxis_title = 'Categoria',
    yaxis_title = 'Quantità di pc',
    legend_traceorder="reversed",
    legend_title = 'Produttore'
)
fig.show()

Analisi sulla CPU

#Numero di computer per ogni CPU
fig = px.histogram(laptops['Brand_CPU'])
fig.update_xaxes(categoryorder = 'total descending')
fig.update_layout(
    title ='Quantità laptops per ogni modello CPU',
    xaxis_title = 'Modello CPU',
    yaxis_title = 'Quantità di pc'
)
fig.show()



#Distribuzione prezzi per tipo di CPU
fig = px.histogram(laptops, x=laptops['Brand_CPU'],y=laptops['Price_euros'], histfunc='avg')
fig.update_xaxes(categoryorder = 'array', categoryarray=['Intel Core i7', 'Intel Core i5', 'Other Intel Processor', 'Intel Core i3', 'AMD Processor'])
fig.update_layout(
    title ='Distribuzione prezzi dei laptops per modello di CPU',
    xaxis_title = 'Modello CPU',
    yaxis_title = 'Prezzo medio dei laptops [€]'
)
fig.show()


#Prezzi laptops per CPU montata
fig = go.Figure(data=go.Heatmap(
                   z=laptops['Price_euros'],
                   x=laptops['Brand_CPU'],
                   y=laptops['Operating_System'],
                   hoverongaps = False))
fig.update_layout(
    title ='Prezzi laptops per CPU montata',
    xaxis_title = 'Modello CPU',
    yaxis_title = 'Sistema Operativo'
)
fig.show()

Analisi sulla GPU

#Quantità laptops per ogni modello GPU
fig = px.histogram(laptops['Brand_GPU'])
fig.update_xaxes(categoryorder = 'total descending')
fig.update_layout(
    title ='Quantità laptops per ogni modello GPU',
    xaxis_title = 'Modello GPU',
    yaxis_title = 'Quantità di pc'
)
fig.show()


#Distribuzione prezzi dei laptops per modello di GPU
fig = px.histogram(laptops, x=laptops['Brand_GPU'],y=laptops['Price_euros'], histfunc='avg')
fig.update_xaxes(categoryorder = 'array', categoryarray=['Intel', 'Nvidia', 'AMD', 'ARM'])
fig.update_layout(
    title ='Distribuzione prezzi dei laptops per modello di GPU',
    xaxis_title = 'Modello GPU',
    yaxis_title = 'Prezzo medio dei laptops [€]'
)
fig.show()


#Prezzi laptops per GPU montata
fig = go.Figure(data=go.Heatmap(
                   z=laptops['Price_euros'],
                   x=laptops['Brand_GPU'],
                   y=laptops['Operating_System'],
                   hoverongaps = False))
fig.update_layout(
    title ='Prezzi laptops per GPU montata',
    xaxis_title = 'Modello GPU',
    yaxis_title = 'Sistema Operativo'
)
fig.show()

Distribuzione dei prezzi in base ai sistemi operativi

#Costo laptops per sistema operativo
fig = px.box(laptops, x=laptops['Price_euros'],y=laptops['Operating_System'], orientation="h")
fig.update_layout(
    title ='Costo laptops per sistema operativo',
    xaxis_title = 'Prezzo per unità',
    yaxis_title = 'Sistema Operativo'
)
fig.show()


#Distribuzione prezzi per sistema operativo
fig = px.histogram(laptops, x=laptops['Price_euros'], color='Operating_System')
fig.update_layout(
    title ='Distribuzione prezzi per sistema operativo',
    xaxis_title = 'Prezzo per unità',
    yaxis_title = 'Quantità di pc',
    legend_title = 'Sistema Operativo'
)
fig.show()


#Quantità laptops dei sistemi operativi per categoria (NO WINDOWS)
#È stato esscluso windows dalle analisi in quanto avrebbe falsato il risultato essendo il sistema operativo più comune in assoluto.
tmp = tmp.drop(tmp[tmp.Operating_System == "Windows"].index)
fig = px.histogram(tmp, x='TypeName', color='Operating_System')
fig.update_xaxes(categoryorder = 'total descending')
fig.update_layout(
    title ='Quantità laptops dei sistemi operativi per categoria (NO WINDOWS)',
    xaxis_title = 'Categoria',
    yaxis_title = 'Quantità di pc',
    legend_traceorder="reversed",
    legend_title = 'Sistema Operativo'
)
fig.show()

#Diffusione delle tipologie di memoria nelle varie fascie di prezzo
fig = plt.figure(figsize=(10,5))
ax = plt.axes()
fig.patch.set_facecolor("#FFFFFF")
ax.set_facecolor("#FFFFFF")
ax.set(xlabel='Prezzo per unità [€]', ylabel='Densità')
sns.kdeplot(data=laptops, x="Price_euros", hue="Main_Memory_Type",multiple="fill",palette="pastel");
plt.text(-800,1.3,"Diffusione delle tipologie di memoria nelle varie fascie di prezzo", {"font":"Arial", "weight":"bold", "size":12.5});
plt.legend(labels=["Ibrido", "HDD", "Flash", "SSD"], title = "Tipo di memoria")

<matplotlib.legend.Legend at 0x2192d1c7a90>